1.一种陶瓷晶粒图像分割方法，其特征在于，包括以下步骤：

S01，获取包括陶瓷晶粒图像样本的数据集，将所述数据集划分为训练集以及验证集；

S02，基于编码‑解码模型架构对包括子网络的搜索空间进行限定，将所述搜索空间分为多分支式结构的编码空间以及链式结构的解码空间；所述编码空间包括编码子网络，所述解码空间包括解码子网络；

S03，运用所述训练集以及验证集在所述编码空间以及解码空间进行神经网络架构搜索，得到预设的搜索次数内最佳的编码子网络以及解码子网络；

S04，通过将若干相同数量的最佳的编码子网络以及解码子网络进行堆叠，构建基于编码‑解码模型架构的卷积神经网络；

将若干相同数量的最佳的编码子网络以及解码子网络进行堆叠，即将相同的子网络线性地依序排布，除第一个子网络之外，其它子网络的输入为前一个子网络的输出；所述基于编码‑解码模型架构的卷积神经网络中，堆叠出来的解码子网络排布在堆叠出来的编码子网络之后，编码子网络与解码子网络两两对称分布，第一个解码子网络的输入为最后一个编码子网络的输出；

S05，运用所述训练集对所述卷积神经网络进行训练得到分类器；

S06，获取待处理的陶瓷扫描电子显微镜图像，运用所述分类器对所述陶瓷扫描电子显微镜图像进行陶瓷晶粒图像分割。

2.根据权利要求1所述的陶瓷晶粒图像分割方法，其特征在于，所述步骤S01包括以下步骤：S011，获取陶瓷扫描电子显微镜图像样本；

S012，从所述陶瓷扫描电子显微镜图像样本中裁剪得到陶瓷晶粒图像样本；

S013，对所述陶瓷晶粒图像样本中的板条状晶粒区域、圆柱状晶粒区域以及背景区域进行标注，生成对应的可视化标签；

S014，以所述陶瓷晶粒图像样本及对应的可视化标签作为数据集；通过随机抽样方法将数据集划分为训练集以及验证集。

3.根据权利要求2所述的陶瓷晶粒图像分割方法，其特征在于，所述步骤S01还包括以下步骤：S014，以所述陶瓷晶粒图像样本及对应的可视化标签作为数据集；通过随机抽样方法将数据集划分为训练集以及验证集。

4.根据权利要求1至3任一项所述的陶瓷晶粒图像分割方法，其特征在于，所述步骤S03通过循环执行以下步骤直至得到预设的搜索次数内最佳的编码子网络以及解码子网络：S031，运用基于循环神经网络的控制器，以预设的采样概率对所述编码空间的编码子网络以及解码空间的解码子网络进行搜索采样，生成对应的指令序列；

S032，根据所述指令序列将相同数量的若干编码子网络以及解码子网络进行堆叠，构建子模型；

S033，运用所述训练集对所述子模型进行训练，运用所述验证集对训练后的子模型进行测试得到验证精度；

S034，根据所述验证精度，使用基于策略梯度的强化学习算法更新所述采样概率。

5.根据权利要求4所述的陶瓷晶粒图像分割方法，其特征在于，在步骤S033中，对所述子模型进行训练的算法为随机梯度下降算法。

6.根据权利要求1至3任一项所述的陶瓷晶粒图像分割方法，其特征在于，步骤S04中得到的所述基于编码‑解码模型架构的卷积神经网络中，各编码子网络后端分别设有最大池化的下采样操作层，各解码子网络前端分别设有上采样操作层，所述下采样操作层用于生成所述编码子网络的输出的最大特征索引，所述上采样操作层用于将所述上采样操作层对称位置上的下采样操作层生成的最大特征索引与所述解码子网络的输入进行融合。

7.根据权利要求1至3任一项所述的陶瓷晶粒图像分割方法，其特征在于，所述子网络中包括若干用于进行数据操作的子块；步骤S04中得到的所述基于编码‑解码模型架构的卷积神经网络中，所述编码子网络以及解码子网络的数量分别为五个，所述编码子网络以及解码子网络中子块的数量为四个。

8.一种陶瓷晶粒图像分割系统，其特征在于，包括数据集获取划分模块(1)、搜索空间限定模块(2)、神经网络架构搜索模块(3)、卷积神经网络构建模块(4)、分类器获取模块(5)以及图像获取分割模块(6)；所述神经网络架构搜索模块(3)分别连接所述数据集获取划分模块(1)以及搜索空间限定模块(2)，所述卷积神经网络构建模块(4)连接所述神经网络架构搜索模块(3)，所述分类器获取模块(5)分别连接所述数据集获取划分模块(1)以及卷积神经网络构建模块(4)，所述图像获取分割模块(6)连接所述分类器获取模块(5)；其中：所述数据集获取划分模块(1)用于获取包括陶瓷晶粒图像样本的数据集，将所述数据集划分为训练集以及验证集；

所述搜索空间限定模块(2)用于基于编码‑解码模型架构对包括子网络的搜索空间进行限定，将所述搜索空间分为多分支式结构的编码空间以及链式结构的解码空间；所述编码空间包括编码子网络，所述解码空间包括解码子网络；

所述神经网络架构搜索模块(3)用于运用所述训练集以及验证集在所述编码空间以及解码空间进行神经网络架构搜索，得到预设的搜索次数内最佳的编码子网络以及解码子网络；

所述卷积神经网络构建模块(4)用于通过将若干相同数量的最佳的编码子网络以及解码子网络进行堆叠，构建基于编码‑解码模型架构的卷积神经网络；

将若干相同数量的最佳的编码子网络以及解码子网络进行堆叠，即将相同的子网络线性地依序排布，除第一个子网络之外，其它子网络的输入为前一个子网络的输出；所述基于编码‑解码模型架构的卷积神经网络中，堆叠出来的解码子网络排布在堆叠出来的编码子网络之后，编码子网络与解码子网络两两对称分布，第一个解码子网络的输入为最后一个编码子网络的输出；

所述分类器获取模块(5)用于运用所述训练集对所述卷积神经网络进行训练得到分类器；

所述图像获取分割模块(6)用于获取待处理的陶瓷扫描电子显微镜图像，运用所述分类器对所述陶瓷扫描电子显微镜图像进行陶瓷晶粒图像分割。

9.一种储存介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的陶瓷晶粒图像分割方法的步骤。

10.一种计算机设备，其特征在于：包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的陶瓷晶粒图像分割方法的步骤。